该论文回顾了与医学图像分析相关的主要深度学习概念，并总结了300多项协同研究的成果，大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。

Feb, 2017

本文旨在探讨量化技术在深度神经网络（DNN）和全卷积神经网络（FCN）的生物医学图像分割中的应用，而不是仅仅将其用于降低内存和计算复杂度。实验结果表明，在MICCAI Gland数据集上，我们的方法不仅优于现有的技术，而且可以使内存使用降低多达6.4倍。

Mar, 2018

本文对基于深度学习的医学和非医学图像分割解决方案进行归类，并从六个主要类别——深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地，对于每一组，我们分析了这些组合的每一个变种，并讨论了当前方法的局限性和未来研究方向。

Oct, 2019

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见U-Net的2D架构，让2D模型学习表示3D图像体的表示方法，从而提高了泛化性能。

Nov, 2019

本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器-解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

Jan, 2020

本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的“出域”数据方面，表现出明显优势。

Apr, 2020

通过实验探索介绍了医学图像分割中实现的技巧与相应的phase（模型预训练、数据预处理、数据增强、模型实现、模型推断和结果后处理），强调技巧对模型性能的影响并构建插拔式组件MedISeg仓库，提供全面而实用的医学图像处理指导并解决小数据集学习、类不平衡学习、多模态学习以及域适应等未来挑战。

Sep, 2022

本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。

Apr, 2023

交互式分割是医学图像分析中的一个关键研究领域，旨在通过引入人类反馈来提高昂贵注释的效率。近年来，基于深度学习的方法推动了结果的提升，并导致了该领域的快速增长。本综述提供了这一新兴领域的结构化概述，包括全面的分类、现有方法的系统综述以及对当前实践的深入分析。基于这些贡献，我们讨论了该领域的挑战和机遇，例如发现方法之间存在严重的比较缺乏，需要通过标准化基线和基准来解决。

Nov, 2023

通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

Jan, 2024